FraudBuster är ett nytt datadrivet tillvägagångssätt utformat för att hjälpa försäkringsgivare på marknader med hög bedrägerifrekvens, som bilförsäkringsmarknaden, proaktivt identifiera risker och minska bedrägerier. Den unika designen och implementeringen av FraudBuster beskrivs i en artikel i Big Data .

Specialnumret om vinstdriven analys leddes av gästredaktören Bart Baesens (KU Leuven, Belgien), Wouter Verbeke (Vrije Universiteit Brussel, Belgien), och Cristián Bravo (University of Southampton, STORBRITANNIEN.).

I artikeln med titeln "FraudBuster:Reducing Fraud in an Auto Insurance Market, "Saurabh Nagrecha, Reid Johnson och Nitesh Chawla, University of Notre Dame, I, beskrev hur deras nya tillvägagångssätt fokuserade på att proaktivt förutsäga dåliga risker i emissionsstadiet, snarare än att vänta tills ett krav har lämnats in för att identifiera bedrägeri. Författarna visade att även om FraudBuster inte kan förutsäga vilka förare som sannolikt kommer att råka ut för en olycka och begå bedrägerier, det kan hjälpa till att identifiera förare som är olönsamma och som sannolikt utgör bedrägliga risker.

Specialnumret innehåller också artikeln "A Literature Survey and Experimental Evaluation of the State-of-the-Art in Uplift Modeling; A Stepping Stone Toward the Development of Prescriptive Analytics, " av Floris Devriendt och Wouter Verbeke, Vrije Universiteit Brussel och Darie Moldavan, Babe?-Bolyai University, Cluj-Napoca, Rumänien. I den här artikeln ger forskarna en omfattande jämförande översikt av de olika metoderna för upplyftsmodellering. De utför en experimentell utvärdering av fyra verkliga datamängder för att visa fördelarna och begränsningarna med olika upplyftningsmodeller, som används för att uppskatta effekten av en strategi, som en direktmarknadsföringskampanj, på utfallet baserat på identifierade kontrollvariabler.